[논문 리뷰] Automated Design of Heuristics for the Container Relocation Problem

Mrko Đurasević, Mateja Đumić|arXiv (Cornell University)|2021. 07. 28.

Maritime Ports and Logistics인용 수 1

한 줄 요약

이 논문은 유전적 프로그래밍(GP)을 사용하여 컨테이너 이송 문제(CRP)를 위한 휴리스틱 규칙(RRs)을 자동으로 진화시키는 것을 제안하며, 수작업으로 설계된 규칙보다 우수한 성능을 보인다. GP는 스택 선택을 위한 우선순위 표현식을 진화시켜, 다양한 미리보지 않은 문제에서 컨테이너 이동 횟수와 크레인 운영 시간을 줄이는 RR을 도출한다.

ABSTRACT

The container relocation problem is a challenging combinatorial optimisation problem tasked with finding a sequence of container relocations required to retrieve all containers by a given order. Due to the complexity of this problem, heuristic methods are often applied to obtain acceptable solutions in a small amount of time. These include relocation rules (RRs) that determine the relocation moves that need to be performed to efficiently retrieve the next container based on certain yard properties. Such rules are often designed manually by domain experts, which is a time-consuming and challenging task. This paper investigates the application of genetic programming (GP) to design effective RRs automatically. The experimental results show that GP evolved RRs outperform several existing manually designed RRs. Additional analyses of the proposed approach demonstrate that the evolved rules generalise well across a wide range of unseen problems and that their performance can be further enhanced. Therefore, the proposed method presents a viable alternative to existing manually designed RRs and opens a new research direction in the area of container relocation problems.

연구 동기 및 목표

• 컨테이너 이송 문제(CRP)에 효과적인 이동 규칙(RRs)을 수작업으로 설계하는 데 드는 시간과 전문 지식의 부담을 해결하기 위해.
• 도메인 전문 지식에 의존하는 것을 줄이기 위해, 유전적 프로그래밍(GP)을 사용해 고성능의 RR을 자동으로 생성하는 방법을 개발하기 위해.
• GP로 진화시킨 RR이 새로운 문제 인스턴스에 대해 얼마나 잘 일반화되는지 평가하기 위해.
• 실제 CRP 응용 분야에서 기존 수작업으로 설계된 휴리스틱 규칙과의 대안으로서 GP로 생성된 RR의 잠재력을 탐색하기 위해.

제안 방법

• 유전적 프로그래밍(GP)을 사용해, 야드 상태 특성 기반으로 스택에 우선순위 점수를 할당하는 수학적 표현식을 자동으로 진화시킨다.
• 진화된 표현식은 이동 전략(RS)에서 향후 이동 횟수를 최소화하기 위해 최적의 스택을 선택하는 데 지침을 제공한다.
• GP 프레임워크는 RI, DIFF, SH, EMP, AVG, CUR 등의 종단 노드 집합과 기능 노드를 사용해 트리 구조의 우선순위 함수를 구성한다.
• 두 가지 방법이 평가되었으며, '제한된'(RE) 및 '비제한된'(UN)으로, GP 과정에서 종단 노드의 선택 및 사용 방식이 다르다.
• GP 파라미터를 튜닝하고 최고 성능을 보이는 진화된 규칙를 선별하기 위해 문제 인스턴스의 일부를 사용해 검증 과정을 수행한다.
• 진화된 RR의 성능은 새로운 테스트 인스턴스에서 두 가지 핵심 지표인 컨테이너 이동 횟수와 크레인 운영 시간을 사용해 평가된다.

실험 결과

연구 질문

• RQ1 유전적 프로그래밍이 CRP에 대해 이동 횟수와 크레인 시간 측면에서 수작업으로 설계된 규칙보다 뛰어난 성능을 보이는 이동 규칙(RRs)을 효과적으로 생성할 수 있는가?
• RQ2 GP로 진화시킨 RR은 다양한 구조적 및 운영적 특성을 가진 새로운 문제 인스턴스에 대해 얼마나 잘 일반화되는가?
• RQ3 종단 노드 집합을 줄이거나 다수의 우선순위 함수를 진화시킴으로써 GP로 진화시킨 RR의 성능을 추가로 향상시킬 수 있는가?
• RQ4 진화된 RR에서 가장 영향력 있는 야드 상태 특성(종단 노드)는 무엇이며, 이들이 의사결정에 어떻게 기여하는가?

주요 결과

• GP로 진화시킨 RR은 RE, RI, RIL, Min-Max와 같은 기존의 여러 수작업 규칙보다 이동 횟수와 크레인 운영 시간 측면에서 뚜렷이 뛰어난 성능을 보였다.
• 가장 성능이 열악한 GP로 진화시킨 규칙조차도 모든 테스트 인스턴스에서 최고 성능을 보인 수작업 규칙보다 우수한 결과를 달성했다.
• 진화된 RR은 새로운 문제에 대해 잘 일반화되어 있으며, 다양한 야드 구성과 수거 순서에 대해 강력한 내구성을 보였다.
• 종단 노드 집합을 줄임으로써 성능이 추가로 향상되었으며, UN 방식에서 단지 네 개의 종단 노드(SH, EMP, DIFF, RI)만을 사용할 경우 최고의 성능을 기록했다.
• 종단 노드 RI와 DIFF는 진화된 규칙에서 가장 자주 사용되었으며 가장 영향력 있는 요소로 나타났으며, 이는 이들이 이동 결정에 핵심적인 역할을 한다는 것을 시사한다.
• 이 방법은 저비용 학습 시간과 거의 무시할 수 없는 실행 오버헤드를 가지며, 다른 최적화 방법과의 통합에 적합하다.